理解 RAG：先找到资料，再组织回答

为什么需要先检索

面对个人笔记或项目文档，语言模型并不天然拥有这些材料。RAG，也就是检索增强生成，将相关资料先找出来，再把资料与问题一起交给模型。它提供的是一个利用外部材料的工作流程，不代表每次回答都一定正确。

一条最小工作链路

整理文档 → 切分片段 → 建立索引
用户问题 → 检索相关片段 → 组织回答与引用

文档切分需要保留语义完整性。标题、段落和列表通常是比较自然的边界；片段过短容易丢失背景，过长则会混入无关内容。为每个片段保存文件名、章节与更新时间，方便回到原文检查。

检索质量决定材料质量

向量检索可用于寻找语义接近的内容，关键词检索则对专有名词、编号和精确措辞有帮助。选择哪一种方法，需要结合资料特点来评估。调试时先直接查看检索出的片段，判断它们能否支持回答，再调整生成阶段。

回答应该能追溯

让答案附上使用过的文档名称和章节位置，同时明确：资料不足时就说明不足。引用还需要人工抽查，确认原文确实支持相应结论。文档里出现的指令也只是资料内容，不应被当作系统指令执行。

从少量文档开始

先挑选一组主题明确、质量可靠的文档，准备几道有标准依据的问题。分别观察是否检索到正确材料、引用是否准确、找不到答案时是否如实说明。小范围验证通过之后，再增加资料和复杂功能。